⚡ electrical engineering

Safety Beyond the Training Data: Robust Out-of-Distribution MPC via Conformalized System Level Synthesis

Diese Arbeit stellt einen neuen Rahmen für robustes Out-of-Distribution-Planen und -Steuern vor, der konformale Vorhersage mit System-Level-Synthese kombiniert, um über Lernmodelle hinausgehende Sicherheitsgarantien durch datenabhängige Fehlergrenzen und volumenoptimierte erreichbare Mengen zu gewährleisten.

Ursprüngliche Autoren: Anutam Srinivasan, Antoine Leeman, Glen Chou

Veröffentlicht 2026-02-13

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Anutam Srinivasan, Antoine Leeman, Glen Chou

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Problem: Der Roboter, der nur auswendig gelernt hat

Stell dir vor, du hast einen sehr klugen Roboter-Auto-Fahrer trainiert. Du hast ihm Tausende von Fahrstunden in einer ganz bestimmten Stadt gezeigt: flache Straßen, grüne Ampeln, keine Baustellen. Er ist dort ein Meister.

Aber dann musst du ihn in eine neue Stadt schicken. Dort gibt es steile Hügel, rutschigen Schnee und Baustellen, die er noch nie gesehen hat.

Das Problem: Wenn der Roboter dort fährt, denkt er immer noch, alles sei wie in der alten Stadt. Er unterschätzt die Gefahr, rutscht aus und kracht gegen eine Mauer.
Die alte Lösung: Früher haben Forscher gesagt: "Fahre nur dort, wo du trainiert hast!" Das ist aber langweilig und unpraktisch. Ein Roboter muss auch mal in unbekannte Gebiete können.

Die neue Lösung: CP-SLS-MPC (Der "Sicherheits-Gürtel" mit Intuition)

Die Autoren dieses Papiers haben eine Methode entwickelt, die dem Roboter erlaubt, sicher in unbekannte Gebiete zu fahren, ohne zu crashen. Sie nennen ihre Methode CP-SLS-MPC. Klingt kompliziert? Hier ist die einfache Erklärung mit drei genialen Tricks:

1. Der "Wackel-Index" (Conformal Prediction)

Stell dir vor, der Roboter trägt einen Sicherheitsgürtel, der sich automatisch anpasst.

In der Stadt, die er kennt (die Trainingsdaten), ist der Gürtel eng und fest. Er weiß genau, was passiert.
Sobald er in eine unbekannte Gegend (Out-of-Distribution) fährt, bläht sich der Gürtel auf. Er wird breiter und weicher.
Warum? Weil der Roboter nicht mehr sicher ist. Der Gürtel sagt: "Hey, hier könnte etwas schiefgehen! Ich nehme jetzt mehr Platz ein, um auf der sicheren Seite zu bleiben."
Das Besondere: Dieser Gürtel ist nicht überall gleich groß. Er wird nur dort dick, wo der Roboter unsicher ist. Wo er sich sicher fühlt, bleibt er dünn. Das nennt man "gewichtete konforme Vorhersage".

2. Der "Zukunfts-Radar" (System Level Synthesis)

Früher haben Roboter nur einen Schritt nach vorne gedacht. Wenn sie einen Fehler machen, war es zu spät.
Diese neue Methode nutzt ein System, das wie ein Radar für die Zukunft funktioniert.

Es berechnet nicht nur, wo das Auto jetzt ist, sondern wie sich ein kleiner Fehler in der nächsten Sekunde ausbreiten könnte.
Es zeichnet unsichtbare Röhren (Tubes) um den geplanten Weg. Solange das Auto innerhalb dieser Röhre bleibt, ist es sicher.
Wenn die Röhre zu groß wird (weil die Unsicherheit steigt), sagt das System: "Stopp! Wir müssen den Weg ändern, bevor wir aus der Röhre fallen."

3. Der "Vorsichtige Navigator" (Robuste Planung)

Jetzt kombinieren wir die beiden Teile. Der Roboter plant seine Route so, dass er:

Sicher bleibt: Er hält sich immer innerhalb seiner sich vergrößernden Sicherheits-Röhren.
Doch vorwärts kommt: Er versucht, den Weg zu finden, der am wenigsten "Wackel-Index" hat.
Lernt: Wenn er merkt, dass er in einer unsicheren Gegend ist, wird er vorsichtiger. Er fährt vielleicht etwas langsamer oder hält mehr Abstand zu Hindernissen, bis er wieder Daten sammelt und sein "Gürtel" wieder enger wird.

Ein Beispiel aus dem Alltag

Stell dir vor, du fährst mit dem Fahrrad:

In deinem Stadtteil (Trainingsdaten): Du kennst jede Pflanze und jede Schlagloch. Du fährst schnell und nah am Rand.
In einem fremden Wald (Unbekanntes Gebiet): Du kennst den Boden nicht.
- Der alte Roboter: Fährt genau so schnell wie zu Hause und kracht in einen Baum.
- Der neue Roboter (CP-SLS-MPC): Er merkt sofort: "Hier ist der Boden unbekannt!"
  - Er zieht einen imaginären Sicherheitsring um sich herum, der größer ist als sonst.
  - Er plant seine Route so, dass er immer im "sicheren Bereich" dieses Rings bleibt.
  - Wenn er sieht, dass der Ring zu groß wird (zu viel Unsicherheit), weicht er vorsichtig aus, vielleicht sogar auf einen Umweg, der sicherer ist, auch wenn er länger dauert.

Was haben die Forscher bewiesen?

Sie haben das an echten Simulationen getestet:

Ein 4D-Auto: Das musste Hindernisse umfahren, auch wenn es in Gebieten fuhr, die es nie gesehen hatte.
Ein 12D-Quadcopter (eine Drohne): Das ist wie ein Flugzeug mit 12 verschiedenen Sensoren und Motoren. Viel komplexer!

Das Ergebnis:

Die alten Methoden (die keine Sicherheits-Röhren hatten) sind oft abgestürzt oder haben die Hindernisse nicht gemieden.
Die neue Methode hat niemals einen Unfall gebaut, auch in den gefährlichsten Situationen.
Sie war sogar schneller als andere sichere Methoden, weil sie nicht einfach "alles blockiert" hat, sondern intelligent berechnet hat, wo sie wirklich vorsichtig sein muss.

Fazit

Diese Forschung gibt Robotern und autonomen Fahrzeugen die Fähigkeit, Mut zu haben, aber nicht dumm. Sie können in die Welt hinausgehen, wo sie noch nie waren, ohne Angst zu haben, weil sie einen intelligenten, sich anpassenden Sicherheitsgürtel tragen, der ihnen sagt: "Hier bist du sicher, dort musst du vorsichtig sein."

Das ist ein riesiger Schritt hin zu Robotern, die wirklich in unserer echten, chaotischen Welt arbeiten können.

Titel

Safety Beyond the Training Data: Robust Out-of-Distribution MPC via Conformalized System Level Synthesis
(Sicherheit über die Trainingsdaten hinaus: Robuste Out-of-Distribution MPC durch konformalisierte System-Level-Synthese)

1. Problemstellung

Das zentrale Problem der Arbeit liegt in der sicheren Planung und Steuerung von Robotern mit Hilfe von gelernten dynamischen Modellen (z. B. neuronale Netze), wenn diese in Out-of-Distribution (OOD)-Szenarien operieren müssen.

Herausforderung: Klassische Planer gehen von präzisen Modellen aus, während datengetriebene Modelle Unsicherheiten aufweisen. Herkömmliche Unsicherheits-Planner definieren oft einen „vertrauenswürdigen Bereich" um die Trainingsdaten herum. Wenn ein Roboter jedoch temporär aus diesem Bereich heraus operieren muss (OOD), versagen diese Methoden oft oder sind zu konservativ.
Limitierungen bestehender Ansätze:
- Viele Methoden nutzen feste, raumunabhängige Unsicherheitsgrenzen (z. B. feste Kugeln), die nicht zwischen Zustandsräumen mit hoher und niedriger Modellgenauigkeit unterscheiden können.
- Sie bieten oft keine formalen Garantien für die Abdeckung (Coverage) unter Verteilungsverschiebungen (Distributional Drift).
- Sie nutzen keine Gradienteninformationen, um Pläne aktiv in Bereiche mit geringerer Unsicherheit zu lenken.

Das Ziel ist es, einen schnellen, optimierungsbasierten Feedback-Planer zu entwickeln, der probabilistische Sicherheitsgarantien auch außerhalb der Trainingsdatenverteilung bietet.

2. Methodik: CP-SLS-MPC

Die Autoren schlagen CP-SLS-MPC vor, eine Methode, die Weighted Conformal Prediction (WCP) mit System Level Synthesis (SLS) und Model Predictive Control (MPC) kombiniert.

A. Gewichtetes Konformales Vorhersagen (Weighted CP)

Um die Modellfehler zu quantifizieren, wird ein gewichteter konformaler Vorhersageansatz verwendet:

Ziel: Erstellung von hochvertrauenswürdigen Fehlergrenzen für das gelernte Modell $\hat{f}$ .
Lokale Unsicherheit: Statt einer globalen Fehlergrenze wird ein zustands- und steuerungabhängiges Kovarianzmodell $\Sigma(x, u)$ (ein neuronales Netz) trainiert, das die Form und Größe des Fehlers lokal approximiert.
Kalibrierung: Mithilfe einer Kalibrierungsmenge und nicht-konformen Scores (basierend auf dem Mahalanobis-Abstand unter Verwendung von $\Sigma$ ) wird ein Schwellenwert $q_{1-\alpha}$ bestimmt.
Gewichtung (WCP): Um mit Verteilungsverschiebungen (z. B. OOD-Zustände) umzugehen, werden Gewichte basierend auf der Distanz zwischen Trainingspunkten und dem aktuellen Testzustand $(x, u)$ zugewiesen. Dies ermöglicht eine Anpassung der Unsicherheitsellipsoide an die lokale Datenverfügbarkeit.
Ergebnis: Ein kalibrierter, räumlich variierender Fehlerbereich (Ellipsoid), der mit einer Wahrscheinlichkeit von $1-\alpha$ den wahren Modellfehler enthält, selbst wenn sich die Verteilung ändert.

B. System Level Synthesis (SLS) für Robustes MPC

Die ermittelten Fehlergrenzen werden in ein robustes MPC-Problem integriert:

LTV-Approximation: Die nichtlinearen Dynamiken werden um eine nominale Trajektorie linearisiert (LTV-System).
Störungs-Rückkopplung: SLS parametrisiert die geschlossene Regelstrecke als affine Funktion der Störungen. Dies erlaubt eine konvexe Formulierung des Problems.
Erreichbare Mengen (Reachable Sets): Anstatt die exakte nichtlineare Dynamik zu verfolgen, werden „Röhren" (Tubes) berechnet, die die möglichen Abweichungen der realen Trajektorie von der nominalen Trajektorie über den Horizont $T$ überdecken.
Verstärkung der Constraints: Die ursprünglichen Constraints (z. B. Hindernisvermeidung) werden durch die berechneten Erreichbarkeitsröhren „eingeschränkt" (Constraint Tightening). Dies garantiert, dass die reale Trajektorie sicher bleibt, solange der Fehler innerhalb der CP-Grenzen liegt.

C. Aktive Unsicherheitsreduktion

Die Kostenfunktion des MPC wird so modifiziert, dass sie nicht nur das Ziel erreicht, sondern auch:

Das Volumen der Erreichbarkeitsröhren minimiert.
Die Distanz zu Trainingsdaten (In-Distribution) bestraft.
Dadurch wird der Planer aktiv dazu angeregt, Trajektorien zu wählen, die durch Bereiche mit hoher Datenqualität und geringer Unsicherheit führen.

D. Implementierung (SCP)

Da das Problem nichtlinear ist, wird es mittels Sequential Convex Programming (SCP) gelöst. In jedem Zeitschritt wird ein Second-Order Cone Program (SOCP) gelöst, das die Linearisierung und die Konvexifizierung der Constraints nutzt. Dies ermöglicht eine Echtzeit-Neuplanung (Replanning).

3. Hauptbeiträge

Neue Framework-Architektur: Entwicklung von CP-SLS-MPC, das WCP für zustandsabhängige Fehlergrenzen und SLS für die Berechnung von Erreichbarkeitsmengen kombiniert.
Theoretische Garantien:
- Beweis für hohe Wahrscheinlichkeit der Sicherheit (High-Probability Safety) unter Verteilungsverschiebungen.
- Herleitung einer oberen Schranke für die Coverage Gap (Lücke zwischen gewünschter und tatsächlicher Abdeckung), die von der Dichte der Kalibrierungsdaten und der Lipschitz-Stetigkeit der Fehlerverteilung abhängt.
Aktive Unsicherheitsreduktion: Einführung einer Kostenkomponente, die Pläne aktiv in Regionen mit geringerem Modellfehler lenkt.
Experimentelle Validierung: Demonstration an nichtlinearen Systemen (4D-Dubins-Auto und 12D-Quadcopter) mit komplexen OOD-Szenarien.

4. Ergebnisse

Die Methode wurde an zwei Hauptsystemen getestet: einem 4D-Auto (Dubins-Modell) und einem 12D-Quadcopter.

Vergleichsbaselines:
- Vanilla MPC (V-MPC): Nutzt das gelernte Modell ohne Unsicherheitsberücksichtigung (oft unsicher).
- CP-Ball: Nutzt konformale Vorhersage, aber mit einer festen, sphärischen Unsicherheitsgrenze (konservativer, weniger effizient).
- CP-Ellipsoid (Vorgeschlagene Methode): Nutzt zustandsabhängige Ellipsoide.
Key Findings:
- OOD-Leistung: In Szenarien, in denen das Auto oder der Quadcopter durch Bereiche fahren mussten, die nicht in den Trainingsdaten lagen (z. B. mit veränderten Reibungs- oder Schwerkraftdynamiken), scheiterte V-MPC häufig an Kollisionen. CP-Ball war sicher, aber oft zu konservativ. CP-Ellipsoid erreichte das Ziel sicher und effizient.
- Abdeckungsgarantie: Die empirische Abdeckung der Fehler innerhalb der berechneten Ellipsoide lag bei über 99 %, was die theoretischen Garantien bestätigt.
- Aktive Unsicherheitsreduktion: Durch die aktive Vermeidung von OOD-Regionen konnte die Vorhersagegenauigkeit verbessert und das Volumen der Unsicherheitsröhren reduziert werden.
- Recheneffizienz: Trotz der komplexen Berechnungen liegt die Rechenzeit pro MPC-Schritt im Bereich von ca. 50–130 ms (auf einem MacBook M4 Pro), was für viele Echtzeitanwendungen geeignet ist.

5. Bedeutung und Fazit

Dieses Paper stellt einen bedeutenden Fortschritt im Bereich des sicheren lernbasierten Kontrollierens dar.

Überwindung der OOD-Grenze: Es zeigt, dass Roboter nicht strikt auf den Bereich der Trainingsdaten beschränkt sein müssen, solange sie über robuste, datengetriebene Unsicherheitsquantifizierung verfügen.
Praktische Anwendbarkeit: Die Kombination aus theoretischen Garantien (Conformal Prediction) und effizienter Optimierung (SLS/SCP) macht die Methode für reale robotische Anwendungen geeignet, wo Modelle nie perfekt sind.
Flexibilität: Die Fähigkeit, die Unsicherheitsgeometrie (Ellipsoide) an die lokale Datenverteilung anzupassen, führt zu weniger konservativen und damit leistungsfähigeren Plänen im Vergleich zu starren Kugelgrenzen.

Zusammenfassend bietet CP-SLS-MPC einen Weg, um die Lücke zwischen der Leistungsfähigkeit von KI-Modellen und den strengen Sicherheitsanforderungen der Robotik in unbekannten Umgebungen zu schließen.